从「匹配」到「理解」：由 AgentCore Memory 驱动的个性化 AI 搜索实践

场次笔记

搜索

搜索引擎架构流程

输入：

• 查询检索方法（来自 Query）：
• 以倒排索引为基础的词汇匹配
• 以项目为基础的协同过滤
• 以 Embedding 为基础的检索 合并阶段：将三种检索方法的输出合并为：
• 不重复的无序产品集合 排序阶段：
• 预排序
• 相关性排序
• 排序 混合排序（Mix-Ranking）的其他输入：
• 广告
• 内容媒体 最终排序阶段：
• 混合排序 —- 使用语义匹配强化产品匹配的系统架构 输入：
• 查询匹配组件：
• 行为数据
• 关键字匹配
• 语义匹配 数据流程：
• Query 会输入至关键字匹配与语义匹配
• 行为数据会向排序提供行为信号
• 关键字匹配与行为数据会形成无序的匹配集合
• 语义匹配会向排序处理阶段提供语义相似度分数：
• 排序输出：
• 有序产品清单 —- LLM Agent 工作流程：
• Query -->LLM -->计划
• 计划 -->LLM -->动作
• 动作 -->「计划是否完成？」（决策点）
• 若为「是」-->LLM -->完成答案
• 若为「否」-->返回「动作」（经由一个 LLM 步骤） 决策逻辑：
• 使用 LLM 判断计划是否完成。 差异 01 传统搜索
• 依赖关键字匹配
• 网页连结权重排序
• 目标是快速检索大量信息 02 AI 搜索
• 语义理解
• 将相关信息注入向量 + 关键字
• 大型模型汇整信息
• 目标是准确回答用户问题

记忆

具备上下文存储空间的 LLM 架构

主要组件

• 用户
• 聊天 APP
• LLM（无状态）
• 上下文存储工作流程
• 传送消息（从用户至聊天 APP）
• 携带完整上下文（从聊天 APP 至 LLM）
• 返回响应（从 LLM 至聊天 APP）
• 存储历史记录（从聊天 APP 至上下文存储空间）
• 返回结果（从聊天 APP 至用户） 上下文存储内容
• System Prompt
• 第 1 轮：用户问题
• 第 1 轮：AI 回答
• 第 2 轮：用户问题
• 第 2 轮：AI 回答 —- Agentic 系统架构
• 使用 LLM 管理对话中的记忆与知识图谱：数据流程与提取
• 输入：将对话（消息）输入系统。
• 提取 LLM：大型语言模型处理消息以产生结构化数据。
• 输出：「新记忆」与「新实体及关系」。 存储组件
• 向量数据库：存储「既有 + 新记忆」，以供检索与更新。
• 图形数据库：存储「既有 + 新实体及关系」，以供更新。 更新与管理
• 更新 LLM：第二个 LLM 负责管理将数据更新回数据库的作业。
• 功能：管理两个数据库的「存储更新」。
• 作业：包含对存储数据执行明确的「新增」、「删除」与「更新」动作。 整体目标
• 记忆新增：整个系统可持续存储与管理对话上下文及提取出的知识。 —- 强化型上下文存储系统的组件与定义
• System Prompt：系统指示或设置。
• 对话历史：对话记录。
• 工具定义：AI agent 可用的函数。
• weather_api()：需要 location、date
• calculator()：需要 expression
• 思考：agent 的推理过程。 记忆互动
• 提取（从思考至记忆）
• 回写（从记忆至思考）
• 记忆：长期或短期知识库。 工作流程示例：「查询天气（华氏）」
• 用户：查询天气（华氏）
• AI：需要调用 weather API
• 工具使用历史：
• 调用：weather_api(location='Beijing', date='today')
• 返回：{'temperature': 25, 'condition': 'sunny'}
• 调用：calculator(expression='25*1.8+32')
• 返回：77 优点：
• 长期保留与高效率管理
• 持续更新知识
• 个性化服务
• 支持复杂任务
• 改善互动质量
• 从无状态转为有状态

AgentCore Memory

Amazon Bedrock AgentCore

• 无须管理基础设施即可使用任何框架与模型，安全地大规模构建、部署及运营高性能 Agents。 组件
• Runtime
• Memory
• Identity
• Gateway
• Code Interpreter
• Browser Tool
• Observability 简化的记忆系统管理
• 将记忆基础设施抽象化
• 以 serverless 架构为基础，可自动扩展
• 自动存储及管理 Agents 跨多个会话的上下文信息 企业级服务
• 为每位客户提供专属存储空间，充分保障数据隐私
• 提供加密保护与区域化数据存储，以满足企业级安全需求 深度定制
• 依特定应用场景定制记忆模式
• 设置长期记忆提取规则
• 选择合适的模型并自定义提示词，以优化长期记忆提取效果 —- Agent 记忆组件 Agent Core：
• Agent 推理
• Agent 状态
• 知识组件
• 工具调用
• 政策定义 短期记忆：
• 上下文视窗
• 对话历史
• 工具调用历史 长期记忆：
• 事件摘要
• 用户个人文件信息
• 文件信息 连接：
• 存储－位于 Agent Core 与 Memory 组件之间
• 检索－位于 Memory 组件与自动记忆检索模块之间
• 自动记忆检索模块

使用 Amazon Bedrock AgentCore Memory 的 Agent 架构与优点

Agent 功能

• 智慧 agent 会自动将复杂的用户需求（例如：「为需要执行设计软件的大学生推荐一台 5000 元人民币以下的笔记本电脑」）拆解成多个并行子任务。
• 子任务示例：「大学生使用场景分析」、「预算筛选」、「软件执行需求匹配」。 AgentCore Memory 的优点
• 使用 AgentCore Memory 长期记忆的技术优势。
• 大幅加快 Agent 开发流程。
• 实现多项实际应用价值：
• 大幅降低依用户个人文件进行智慧搜索所需的 Token 使用量。
• 有效提升搜索结果的准确率。
• 在技术竞争力与成本效益方面带来重大突破。 系统图流程
• User Query 会进入 Agent Runtime Environment（Strands Agents）。Strands Agents 会与下列项目互动：
• 工具（用户偏好检索）
• Amazon Bedrock LLM（处理输出）
• AgentCore Memory AgentCore Memory 管理：
• 短期记忆（互动事件）
• 自动记忆提取
• 长期记忆（用户偏好）
• 此流程会产生 Agent Response 并返回给用户。